www.economiadehoy.es
Cómo puede ayudar la inteligencia artificial a reducir los accidentes de tráfico en las ciudades
Ampliar

Cómo puede ayudar la inteligencia artificial a reducir los accidentes de tráfico en las ciudades

lunes 15 de marzo de 2021, 18:31h
Una investigación de la UOC apunta que la complejidad urbana disminuye la capacidad de atención para evitar imprevistos.
Pese a las limitaciones de movilidad durante la pandemia, en 2020 tuvieron lugar en Madrid más de 12.000 accidentes, con 31 víctimas mortales, y en Barcelona, más de 5.700 siniestros, con 14 fallecidos. La seguridad vial es una prioridad, de forma que una investigación de la Universitat Oberta de Catalunya (UOC) emplea inteligencia artificial (IA) para ayudar en la toma de decisiones que conviertan las ciudades en espacios más seguros. Los investigadores han comprobado la relación existente entre la complejidad de determinadas zonas de las ciudades y la probabilidad de sufrir un accidente.
Según los investigadores, la información obtenida puede servir para entrenar redes neuronales capaces de detectar el probable peligro de un espacio, así como los patrones asociados a esta mayor peligrosidad. De esta manera, la investigación, liderada por los investigadores Cristina Bustos y Javier Borge, trabaja con algoritmos que ayudan a las autoridades responsables a reducir la posibilidad de sufrir un siniestro en entornos urbanos.
Este estudio interdisciplinario ha sido desarrollado por los grupos de investigación de la UOC Complex Systems (CoSIN3), del Internet Interdisciplinary Institute (IN3), y Scene Understanding and Artificial Intelligence Lab (SUNAI), de los Estudios de Informática, Multimedia y Telecomunicación, en colaboración con la Dirección General de Tráfico (DGT), los ayuntamientos de Madrid y Barcelona, académicos del Instituto Tecnológico de Massachusetts (MIT) y el investigador Àlex Arenas, del Departamento de Ingeniería Informática y Matemáticas de la Universitat Rovira i Virgili.
La importancia de la escena urbana en los accidentes
Para los investigadores, la configuración visual de lo que denominan «escena urbana» afecta la probabilidad de que ocurra un accidente. «Los resultados muestran que hay ciertos patrones en la composición de la escena que pueden afectar la tasa de accidentes», explica Cristina Bustos, investigadora del grupo CoSIN3 y autora principal de un artículo científico reciente sobre este proyecto.
Según la investigadora, hay factores clave como pueden ser la ubicación del mobiliario urbano, la situación de los coches aparcados, los anuncios o las fachadas que aumentan la distracción de los conductores. «Nuestros resultados indican que es algo más que una hipótesis», explica Javier Borge, investigador líder del grupo CoSIN3. «Lo que parece claro es que una escena con más elementos distintos está correlacionada con el número de accidentes que se han producido en esa escena», afirma.
El quid de la cuestión es entender por qué ocurre. «La IA nos indica el sitio potencialmente peligroso, pero no nos dice el porqué; por eso utilizamos ciertas técnicas de interpretación, como las de este estudio, que nos dan un indicio de ello. Aunque tenemos que seguir investigando en esta línea, no hay duda de que los accidentes de tráfico se producen por la combinación de muchos factores. Nuestro estudio muestra que la configuración de la escena puede ser un factor que hay que tener en cuenta».
Según Borge, la hipótesis que barajan es que las limitaciones cognitivas humanas se ven afectadas por la complejidad de la escena. «Si la escena es muy compleja, la presión sobre el sistema cognitivo es mayor y, posiblemente, eso disminuye nuestra capacidad de evitar imprevistos». Aquí es donde entra la ayuda externa en forma de inteligencia artificial, gracias a algoritmos que identifican patrones complejos de la ciudad.
Algoritmos para reducir la probabilidad de accidentes
La inteligencia artificial ha incrementado sus posibilidades, especialmente desde la aparición de tecnologías como las redes neuronales y el aprendizaje automático (machine learning). Mientras que las primeras consisten en un modelo computacional que ha evolucionado a partir de los conocimientos adquiridos sobre el funcionamiento plástico del cerebro, el segundo es una rama de la IA que permite que las máquinas aprendan sin estar expresamente programadas para ello. La tecnología utilizada por el equipo investigador de la UOC se basa precisamente en estos conceptos.
«Utilizamos deep learning un conjunto de algoritmos de aprendizaje automático dentro del machine learningaplicado al tratamiento de imágenes por ordenador», explica Cristina Bustos. «El objetivo de estos algoritmos es identificar patrones en fotos o vídeos para llevar a cabo una tarea concreta, como reconocer qué objetos están presentes, dónde están estos objetos o identificar el contexto general de la imagen, entre otras tareas que pueden ser más complejas, como reconocer qué emoción genera una imagen o un vídeo en una persona».
Los investigadores utilizan redes neuronales convolucionales (convolutional neural networks), cuyo nombre se debe a que estas redes neuronales aplican una operación llamada «convolución» a la imagen de entrada y a lo largo de las capas de la red. «Con esta operación», aclara Bustos, «la red aprende a distinguir patrones sencillos en las primeras capas, como líneas, bordes, texturas, colores o esquinas, y se vuelve más compleja a medida que gana en profundidad». Al final, la red es capaz de identificar patrones complejos, como la cara de una persona o un coche.
Este tipo de redes deben entrenarse para realizar una tarea, a base de repetir los procesos una y otra vez, mientras los investigadores les indican si lo han hecho bien o mal. «A esta red no la entrenamos desde cero», comenta Bustos, «sino que utilizamos una que ya ha sido instruida para otra tarea, como reconocer personas o animales, y aprovechamos su conocimiento para que aprenda a reconocer objetos y patrones peligrosos que pueden ser causa de accidentes».
Inteligencia artificial aliada de los urbanistas
«Uno de los desafíos de las redes neuronales es que —dado que son profundas, no lineales y complejas no tenemos control sobre qué patrones están aprendiendo», comenta Bustos. «Por eso, hemos utilizado otras técnicas de deep learning, como la image segmentation y el class activation mapping». La primera, aclara, señala exactamente los objetos dentro de una imagen a través de sus píxeles; la segunda es una técnica que indica las regiones de la imagen en las que la red se fija para obtener resultados.
«La inteligencia artificial nos parece una herramienta muy potente para señalar dónde puede haber problemas, pero no va a resolverlos por sí misma», incide Javier Borge. Así, el equipo ha desarrollado una heurística de mejora de la escena urbana, «que tampoco tendría valor si no hubiera detrás un ser humano», como podría ser un planificador urbano, un arquitecto o un ingeniero, que valide e implemente los cambios obtenidos a partir de los datos encontrados por los algoritmos, afirma el investigador.
Gracias a la inteligencia artificial, los investigadores estudian distintos patrones urbanos peligrosos. «En este momento, estamos analizando cómo la escena visual afecta el estrés del conductor», confirma Bustos. Así, los investigadores creen que este tipo de tecnología puede ser muy útil para organismos como la DGT y para diseñar ciudades más seguras en cuanto al tráfico. «El mayor escollo es la disponibilidad de datos: el análisis necesita una colección rica de imágenes street view y de datos abiertos precisos de accidentalidad, geolocalizados y con detalles sobre las personas implicadas, que actualmente no son fáciles de obtener», concluye Javier Borge.
Esta investigación de la UOC favorece el objetivo de desarrollo sostenible (ODS) 11, para lograr que las ciudades sean más inclusivas, seguras, resilientes y sostenibles.
Artículo relacionado
Bustos, C.; Rhoads, D.; Solé-Ribalta, A.; Masip, D.; Arenas, A.; Lapedriza, A.; Borge-Holthoefer, J. (2021). «Explainable, automated urban interventions to improve pedestrian and vehicle safety». Transportation Research Part C: Emerging Technologies, vol. 125, 103018, ISSN 0968-090X. https://doi.org/10.1016/j.trc.2021.103018.
Los investigadores
Cristina Bustos, Investigador del grupo Complex Systems (CoSIN3) del IN3 de la UOC.


Javier Borge, Investigador líder del grupo Complex Systems (CoSIN3) del IN3 de la UOC.
¿Te ha parecido interesante esta noticia?    Si (0)    No(0)

+

0 comentarios